Muse Wonder 和 Muse Wonder Full：Meta 最新的 AI 代理模型

本周，Meta 发布了 Muse Wonder 和 Muse Wonder Full，这是其在Muse Spark 之后推出的首个主要模型家族。两者均为可处理多步骤任务的 AI 代理而构建。

Meta 的发布文章称，Muse Wonder 是其 AI 工作历时 14 个月重构的成果。需要了解的两个新术语是 Active Memory（主动记忆），用于回忆过往对话中的有用细节，以及 Active Focus（主动专注），用于在任务停滞时继续推进。

常规版 Muse Wonder 可通过Meta Model API 和 Muse Code 使用；而 Muse Wonder Full——支撑大多数头条成绩的模型——仅在 Muse Code 的两档最高价方案中可用。后文将详细展开。

要点速览

以下是我从发布中提炼的要点：

• Muse Wonder 和 Muse Wonder Full 具有约 100 万 token 的上下文窗口，且仅输出文本。
• Active Memory 与 Active Focus 是 Meta 对记住关键信息与坚持完成难题的命名，主要证据来自 Meta 自身测试。
• 按 Meta 的报告，Muse Wonder Full 在长时编码任务上领先。
• Claude Opus 5.5 在终端编码、从零构建程序、健康问答与独立智力排名上保持领先。
• 常规版 Muse Wonder 的输入与输出 token 费率分别为每百万 $4 与 $20，与 Claude Opus 5.5 相同；Muse Wonder Full 则需订阅 $50 或 $200 的 Muse Code 方案。

Muse Wonder 与 Muse Wonder Full 是什么？

Muse Wonder 与 Muse Wonder Full 是 Meta 称其迄今能力最强的推理模型，为处理个人与工作任务的代理而构建。其模型卡显示支持文本、图像、视频与音频输入，输出仅为文本，因此两者均不生成图像、视频或音频。Meta 的开发者文档补充了 PDF 输入，并将上下文窗口标为 1,048,576 个 token。

Meta 的研究博客称，两者均基于 Muse Spark 的训练工作并在 Meta 的 Prometheus 数据中心完成训练。未公布参数规模。

Muse Wonder 提供两个变体。图片由作者制作。

两者之中，Muse Wonder Full 是单独、更强的模型。开发者文档称将常规版 Muse Wonder（muse-wonder-1.0）的推理调到"max"并不会切换到 Muse Wonder Full（muse-wonder-full-1.0）。

您或许注意到 Meta 将 Muse 用于多种产品。回顾如下：

• Muse 是 Meta 的消费者助手应用，我们在Meta Muse 指南中进行了介绍，Muse Wonder “很快将为其提供动力”，先从订阅用户开始。
• Muse Spark 是我在开头提到的早期模型家族。
• Muse Code 是前文提到的编码代理，模型在其中运行。
• Muse Glimmer 是 8 月发布的另一款更小的模型（300 亿参数），您可自行下载并运行。关于开源权重的问题见常见问题。

当 Meta 说 Muse Wonder “能做”某事时，往往有一半工作由 Muse Code 完成。下文多数编码结果均属此类。

Muse Wonder 的关键特性是什么？

Muse Wonder 的关键特性是 Active Memory 与 Active Focus，Meta 主要在长时编码任务上展示它们。两者背后的思路很简单：代理必须记住正确的细节，并在计划受挫时坚持推进。

Muse Wonder 的 Active Memory

Active Memory 是 Meta 对跨会话携带重要细节并在当前调取所需信息的命名。比如您 3 月设定家庭办公室预算 $3,000，4 月提高到 $4,000，5 月请求家具候选清单。良好的记忆意味着代理无需提醒就会采用 4 月的数额。

Meta 的证据是 MemoryBench，这是其自研的在长对话中更新事实的测试。Muse Wonder 得分 85.6，但这并不能说明数月后的回忆能力，而且基于 API 构建的应用仍需自行存储这些事实。这是我最关心的功能，因为代理若按旧预算工作，可能会让您多花钱。

Muse Wonder 的 Active Focus

Active Focus 是 Meta 对“坚持性”的命名：尝试其他方法、跨越阻碍，并在重要操作前进行确认。设想一次代码迁移导致 30 个测试失败。一个专注的代理会修复代码并重跑测试，而较弱的代理可能只是修改测试以使其通过。

Meta 通过自研的 FocusBench 测量这一点，并借助SWE-Marathon，我会在基准部分介绍。二者都不保证任务一定完成，且后台运行取决于模型周边的软件支持，我们的OpenAI Dots 解读覆盖了常驻型代理的这些风险。

Muse Wonder 与长时编码任务

Muse Wonder 负责规划长时编码工作并将任务拆分给辅助代理，而 Muse Code 负责运行工具与审批。Meta 的开发者页面将其定位于“运行数小时”的任务，同时可同时编辑多个文件。

Muse Wonder 负责规划；Muse Code 负责执行。图片由作者制作。

Meta 的演示之一是一款基于图像构建的可玩 3D 厨房游戏。这一选择略显奇怪，因为模型卡将 3D 推理列为已知弱项（我会选其他示例）。

Muse Wonder 与 Muse Wonder Full 的基准测试

Meta 的表格显示，Muse Wonder Full 在长时编码和部分专业基准中占优，而 Claude Opus 5.5 在终端编码与从零构建程序方面领先。除非另有注明，下文数据来自 Meta，几乎所有模型均使用最高推理设定（我会标出唯一例外）。

长时编码测试

在 Meta 的表格中，Muse Wonder Full 在两项长时编码测试中均居首。如开头所述，它在 DeepSWE v1.1 上得分 79.0，常规版 Muse Wonder 紧随其后为 78.8。眼下这是 Meta 的数据，因为 Datacurve 的公开 DeepSWE 排行榜尚未列出 Muse Wonder。

我更关注 SWE-Marathon，因为其 20 个多小时项目中，只要有一个测试失败就记零分。Meta 报告 Muse Wonder Full 为 57.5（略低于其最高设定），Muse Wonder 为 53.1；相比之下，Claude Opus 5.5 为 46.3，GPT-6 Astra 为 42.5。竞争模型运行在各自公司的编码工具中，因此 Meta 自己也表示横向对比并不完全公平；且仅 20 个项目，单个项目就可能带来数分波动。

Abundant AI 的 SWE-Marathon 排行更为保守：Muse Wonder Full 为 53.1%，常规版 Muse Wonder 为 52.5%，二者均在 Muse Code 内以最高设定运行，略高于 Claude Sonnet 5.5 的 51.3%。Claude Haiku 5.5（Anthropic 早五天发布）为 50.0%。两份榜单来自不同测试，请勿混用。

自动化与电脑使用

Meta 关于 Muse Wonder 能跨应用执行工作的说法，得到的支持不一。在AutomationBench-AA 上（用于检查业务流程是否达到正确最终状态），Muse Wonder Full 得分 45.4，对比 GPT-6 Astra 的 41.6 和 Claude Opus 5.5 的 41.2，因此它领先，但仍未能完成大多数流程。

OSWorld V2.1（108 个桌面任务）更具参考价值。Muse Wonder Full 的部分得分为 78.4，但完全完成的任务仅 39.4%，且两款 Claude 模型的部分得分都更高。对保险表单而言，多数步骤正确但未完全完成仍算失败，因此 39.4% 才是关键指标。

编码优势掩盖了较低的完成率。来源：Meta；图片由作者制作。

法律、金融与健康基准

Muse Wonder Full 在法律基准中领先，在健康方面落后，金融几乎打成平手。其法律得分看起来很小，但仍是 Claude Opus 5.5 的三倍。在Artificial Analysis 的版本中，法律文书仅在满足所有要求且无臆造内容时计入，Muse Wonder Full 得分 13.1，而 Claude Opus 5.5 为 4.2，这仍意味着约 87% 的任务未完成。

金融几乎持平，Muse Wonder Full 在Vals Finance Agent V2 上为 59.1，Claude Opus 5.5 为 58.6。健康方向则相反：Muse Wonder Full 在 HealthBench Pro 上得分 62.3，落后于 Claude Opus 5.5（65.6）与 GPT-6 Astra（65.3）。

Muse Wonder 的短板在哪里？

在 Meta 自己的表格中，Muse Wonder Full 在 14 项测试中有 6 项落后于 Claude Opus 5.5，而 GPT-6 Astra 在 3 项上胜出。下表汇总了前文未涵盖的失利项目。

来源：Meta 于发布时的 Muse Wonder 开发者页面。所有模型均为最高推理设定。

ProgramBench 是编码人员应最在意的失利，且差距不小。它要求模型从零重建程序，11.5 分的差距表明，编辑现有代码库与从无到有构建是两种不同的能力。

Artificial Analysis 将 Muse Wonder Full 列为 55.8，Meta 表中四舍五入为 56，而 Claude Sonnet 5.5 为 56.0。

能否完全信任 Muse Wonder 的基准结果？ 并不完全。Meta 的模型卡显示，该表混合了三类证据：

• Meta 自研测试：MemoryBench、FocusBench 与个人超级智能指数。
• 外部结果：来自 Artificial Analysis、Datacurve、Abundant AI、Vals AI 等组织的数据。
• 竞品对比：OpenAI 或 Anthropic 发布的数字，加上 Meta 在其模型上进行并称为“尽力而为”的测试。

如前所述，几乎所有分数都采用最高推理设定，因此您看到的是各模型的最佳水平。结果也会随测试方变化：Anthropic 报告 Claude Opus 5.5 在 Terminal-Bench 4.0 上为 66.4%，而 Meta 表中为 59.6。Meta 关于 Muse Wonder Full 在不熟悉任务上优于 Spark 模型的说法，主要基于其自家分析。

Meta 对不熟悉任务的表现对比。来源：Meta。

Muse Wonder vs. Claude Opus 5.5、GPT-6 Astra 与 Gemini 4 Argon

按 Meta 的数据，Muse Wonder Full 在长时编码任务上胜出（但仅限于 Muse Code 内），Claude Opus 5.5 则在终端工作与从零构建方面领先，而 GPT-6 Astra 在 Meta 表格中仅领先一项。本节将基准汇总，内容会与前文相呼应。

自动化方面分化明显：Muse Wonder Full 领跑 AutomationBench-AA，而 Claude 系列在 OSWorld 的部分得分上领先。在报告了完整完成率的模型中，均未能完成多数任务。在广义推理方面，Claude Opus 5.5 领跑 Artificial Analysis 指数，常规版 Muse Wonder 得分为 52.4。

价格是常规版 Muse Wonder 较弱的一面。GPT-6.1 Sol 的每 token 价格是其一半，在同一指数中得分 51.8，而 Claude Sonnet 5.5 的价格与 GPT-6.1 Sol 相同。

Muse Wonder 在成本与智能之间取舍。来源：Artificial Analysis。

我几乎想把 Gemini 4 Argon 从本节剔除，因为 Meta 并未测试它，且正如我们的Gemini 4 Argon 报道所述，它先向受信任的网络安全团队开放。缺乏可比结果时，无法进行公平对比，因此应根据工作负载与完成任务的成本来选择。

Muse Wonder 的应用场景

Muse Wonder 最适合两类工作：大型软件变更与多步骤的浏览器工作流。长时间的规划类任务（如 Meta 的婚礼席位图示例）则更多依赖模型周边的应用。

构建与修改复杂软件项目

该场景的证据最为充分，至少对于修改已有代码而言。在 Muse Code 中，Muse Wonder 跨文件工作、运行测试、阅读失败并重试，正是 DeepSWE 与 SWE-Marathon 所衡量的。在真实代码上，应仅授予任务所需权限，并由人工审核变更。

自动化多步骤浏览器与业务工作流

Meta 的“Saturday Run Planning”演示展示了 Muse Wonder“直接在浏览器与跨应用工作”，另一个演示处理了保险理赔。鉴于 Muse Wonder Full 完整完成的桌面任务不足四成，实际工作流在提交或支付前必须获得您的批准。

Muse Wonder 的定价：API 费率与 Muse Code 方案

付费方式有两种：常规版 Muse Wonder 按 token 计费；Muse Code 方案按月固定收费——正如开头所述，这也是获取 Muse Wonder Full 的唯一方式。

Muse Wonder API 定价

Meta 的定价页面列出，常规版 Muse Wonder 的未缓存输入为每百万 $4.00，缓存输入 $0.20，输出 $20.00。这比 Muse Spark 1.3 的 $1.25 与 $4.25 有大幅提升，并与Claude Opus 5.5 的价格相当，这也表明 Meta 对 Muse Wonder 定位的判断。

GPT-6 Astra 标价为 $10、$1（缓存）与$50；GPT-6.1 Sol 为$2、$0.10 与 $10。下表将这些首发价应用于一个包含 300 万输入 token（其中 240 万为缓存）与 20 万输出 token 的编码任务，假设无单次请求超过 272,000 token，否则 GPT-6 Astra 的价格会上调。

相同的 token 价格意味着每次尝试的账单相同，因此应比较“每个完成任务的成本”。若 Muse Wonder 两次完成一次，即 $13.76；若另一款以 GPT-6.1 Sol 价位的模型四次完成一次，成本亦为 $13.76（两项完成率仅为示例）。

Muse Wonder Full 定价：Muse Code 方案

Muse Wonder Full 只随 Muse Code 的包月方案提供，按月固定收费而非按 token 计费。若您只打算使用 API，可跳过本节。Meta 的订阅文档列出四档方案：

• Everyday Usage：每 5 小时 10 到 50 次提示。
• High Usage：Everyday 配额的 5 倍。
• Power Usage：Everyday 配额的 20 倍，外加 Muse Wonder Full，每月 $50。
• Maximum Usage：Everyday 配额的 80 倍，外加 Muse Wonder Full，每月 $200。

Meta 的Muse Code 产品页仅显示 Power 与 Maximum 的价格，略显奇怪，建议在结账时确认低档方案。常规版 Muse Wonder 在所有方案中均可用。

各方案的使用配额会随时间重置。未用完的配额不会结转，订阅亦不可作为 API 额度使用。

Muse Wonder 的定价与访问有两条路径。来源：Meta；图片由作者制作。

Power 是尝试 Muse Wonder Full 的最低成本方式，但 Meta 尚未说明其配额可覆盖多少大型任务。这一点值得关注；有早期用户称，几次小请求就用掉了入门方案 5 小时限额的大约一半，我会在开发者反馈中提到。

如何访问 Muse Wonder 与 Muse Wonder Full

回到开头的划分：常规版 Muse Wonder 可通过 Meta Model API 与 Muse Code 使用，而 Muse Wonder Full 仅通过 Muse Code 使用。

如何使用 Muse Wonder API

要使用 Muse Wonder API，您需要 Meta 开发者账号、API 密钥与计费设置，模型 ID 为muse-wonder-1.0。Meta 仍在其产品页将该 API 标注为“公开预览”，基于 OpenAI SDK 构建的代码可指向该接口，Meta 亦列出 OpenRouter 作为接入途径。

访问并非全球开放。Meta 的地理使用政策限制了多个地区，包括中国、俄罗斯、伊朗、巴基斯坦、厄立特里亚与埃塞俄比亚。

如何在 Muse Code 中获得 Muse Wonder Full

要获得 Muse Wonder Full，您需要订阅 Muse Code 的 Power 或 Maximum 方案，拥有 Meta 账号，并年满 18 岁或达到您所在地区的法定成年年龄。如定价部分所述，它在任何价格下都不提供 Model API，且其 IDmuse-wonder-full-1.0 仅在 Muse Code 内可用。Muse Code 文档列出 macOS、Linux 与 Windows，但其产品页仅提及 macOS 与 Windows。

Muse Wonder 的限制、隐私与安全

相关风险正源自 Meta 主打的卖点：长时间运行与对您私有文件的访问。

多步骤、空间与语言方面的限制

模型卡列出了三项可能影响代理的弱点。各自导致不同问题：

• 多步骤推理：Muse Wonder 在不熟悉场景中可能出错，并将错误带入后续步骤。
• 空间推理：3D 任务为已知弱项，使“厨房游戏”演示显得不太合适。
• 语言支持：在模型支持较弱的语言上，效果可能下降。

当模型可以使用工具时，这些并非孤立的答案质量问题。两小时任务初期的一次错误点击或错误假设，可能毁掉后续全部工作。

贡献者模式、标准模式与训练数据

这取决于模式，因此在将 Muse Code 指向私有仓库前请先阅读。Meta 的服务条款在发布前三天更新，称 Meta 不会使用发送至其标准服务（Standard Services）的内容进行训练，而在贡献者模式（Contributor）中发送的内容可能用于“训练、开发、评估与改进”其模型。

Muse Code 订阅默认启用贡献者模式，以更高配额为交换，您需在设置中切换到标准模式。切换仅对未来生效，已发送的内容仍可能用于训练。这个默认设置我并不喜欢。

贡献者内容可能用于训练 Meta 模型。来源：Meta 条款；图片由作者制作。

条款还规定，您在贡献者模式下“不得提交敏感、机密或个人信息”，包括私有代码。按次付费 API 下的常规版 Muse Wonder 仅在标准模式中运行。

安全测试与人工监督

Meta 按其超级智能扩展框架测试了 Muse Wonder Full。若无防护，Meta 不排除其在化学与生物威胁方面达到高风险级别；在有防护的情况下，Meta 将各风险领域评为“中等或以下”。

风险评级并非安全保证，更详尽的安全报告仍将“很快”发布。模型卡的建议很直接：对不可撤销的操作要求人工确认，并将代理置于权限受限的沙盒中。

开发者如何评价 Muse Wonder？

X 平台上的首日反馈在快速进步、不稳定表现与对使用限额的抱怨之间分化。这些都是短期试用与个人观感，并非对照评估。

较为谨慎的正面观点来自一位早期测试者，他的试用时间有限，但认为表现不错。更大的看点是，Meta 的模型自 4 月的 Muse Spark 以来进步明显。

更广泛的类别测试则不那么整齐。Muse Wonder Full 在代理与编码方面接近顶尖，但在写作、前端设计与创意工作上落后。

最尖锐的抱怨集中在成本与方案限额。在一次相同提示的割草机测试中，Muse Wonder Full 消耗了约 $4.11 的等价 API token，但 3D 结果弱于 Claude Opus 5.5，而且测试者称要完成任务需从 $50 方案升级到 $200 方案。

综合来看，这些帖文表明 Muse Wonder 具备竞争力但表现不均衡。在将任何单次结果视为常态前，还需要更多重复测试。

总结

目前的发布证据仍主要来自 Meta。本次未提供 Muse Wonder Full 的按次 API，而常规版 Muse Wonder 的价格与 Claude Opus 5.5 相同，却在多项测试上落后。

我会将常规版 Muse Wonder 用于 API 代理，将 Muse Wonder Full 用于长时仓库工作；保留 Claude Opus 5.5 处理终端工作或从零构建程序；当成本决定取舍时，使用 GPT-6.1 Sol 或 Claude Sonnet 5.5。